[논문 리뷰] A real-time warning system for rear-end collision based on random forest classifier

Fateme Teimouri, Mehdi Ghatee|arXiv (Cornell University)|2018. 03. 29.

Autonomous Vehicle Technology and Safety참고 문헌 28인용 수 10

한 줄 요약

이 논문은 버지니아 테크 교통 연구소 데이터베이스에서 수집한 차량 궤적 데이터를 분석하기 위해 랜덤 포레스트 분류기를 사용하는 실시간 후방 충돌 경고 시스템을 제안한다. 시스템은 경고 상황 탐지에 88.4%의 정확도와 안전 조건 탐지에 94.7%의 정확도를 달성하며, TOPSIS 다기준 방법을 사용하여 정확도와 처리 시간 측면에서 다수의 기준 기반 분류기들을 능가한다.

ABSTRACT

Rear-end collision warning system has a great role to enhance the driving safety. In this system some measures are used to estimate the dangers and the system warns drivers to be more cautious. The real-time processes should be executed in such system, to remain enough time and distance to avoid collision with the front vehicle. To this end, in this paper a new system is developed by using random forest classifier. To evaluate the performance of the proposed system, vehicles trajectory data of 100 car's database from Virginia tech transportation institute are used and the methods are compared based on their accuracy and their processing time. By using TOPSIS multi-criteria selection method, we show that the results of the implemented classifier is better than the results of different classifiers including Bayesian network, naive Bayes, MLP neural network, support vector machine, nearest neighbor, rule-based methods and decision tree. The presented experiments reveals that the random forest is an acceptable algorithm for the proposed driver assistant system with 88.4% accuracy for detecting warning situations and 94.7% for detecting safe situations.

연구 동기 및 목표

• 차량 궤적 데이터를 사용하여 후방 충돌 위험을 예측하는 실시간 운전자 보조 시스템을 개발하는 것.
• 정확도와 처리 시간 측면에서 다수의 기준 기반 기계학습 모델과 비교하여 랜덤 포레스트 분류기의 성능을 평가하는 것.
• 다기준 의사결정(TOPSIS)을 활용하여 실시간 충돌 경고 시스템에 가장 효과적인 분류기를 규명하는 것.
• 동적 차량 행동 분석 기반의 실시간 경고를 통해 운전 안전성을 향상시키는 것.
• 버지니아 테크 교통 연구소에서 공개한 데이터셋을 사용하여 시스템을 검증하는 것.

제안 방법

• 시스템은 버지니아 테크 교통 연구소에서 수집한 100대의 차량 궤적 데이터를 입력 특성으로 사용한다.
• 주요 특징으로는 충돌까지의 시간, 간격 거리, 상대 속도 및 가속도가 있으며, 이는 궤적 데이터에서 추출된다.
• 랜덤 포레스트 분류기가 이들 특징을 바탕으로 주행 상황을 '위험' 또는 '안전'으로 분류하도록 훈련된다.
• 모델은 베이지안 네트워크, 나이브 베이즈, MLP 신경망, 서포트 벡터 머신, k-최근접 이웃, 규칙 기반 방법 및 결정 트리와 비교된다.
• 정확도와 처리 시간을 사용하여 성능를 평가하며, 다기준 평가 방법인 TOPSIS를 활용해 다수 기준에 따라 분류기 순위를 매긴다.
• 시스템은 실시간 구동을 고려하여 설계되어 저지연 의사결정을 보장한다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트 분류기는 차량 궤적 데이터를 사용하여 실시간으로 후방 충돌 위험을 얼마나 정확하게 탐지할 수 있는가?
• RQ2 다른 기계학습 모델과 비교할 때 랜덤 포레스트 분류기는 탐지 정확도와 처리 속도 측면에서 어떻게 다른가?
• RQ3 실시간 충돌 경고 시스템에서 정확도와 계산 효율성 사이의 최적의 트레이드오프를 제공하는 분류기는 무엇인가?
• RQ4 다기준 의사결정(TOPSIS)은 운전자 보조 응용 분야에서 기계학습 모델을 효과적으로 순위 매길 수 있는가?
• RQ5 제안된 시스템은 경고 상황과 안전 주행 상황을 탐지하는 데 어떤 성능을 보이는가?

주요 결과

• 랜덤 포레스트 분류기는 경고 상황 탐지에 88.4%의 정확도를 달성하여 비교 평가에서 다른 모델들을 뛰어넘었다.
• 시스템은 안전 주행 조건 탐지에 94.7%의 정확도를 보이며, 위험 상태와 안전 상태 모두에 걸쳐 강력한 일반화 능력을 보였다.
• TOPSIS 방법을 사용하여 랜덤 포레스트 분류기가 평가된 모든 모델 중에서 최고 순위를 기록했으며, 정확도와 처리 시간의 통합적 우수성을 확인했다.
• 제안된 시스템은 낮은 처리 시간을 기록하여 활성 안전 시스템에 실시간 구동에 적합함을 입증했다.
• 랜덤 포레스트 모델은 버지니아 테크 데이터셋 내 다양한 주행 시나리오에서 뛰어난 강건성과 일관성을 보였다.
• 결과적으로 앙상블 방법인 랜덤 포레스트가 지능형 교통 시스템에서 실시간 후방 충돌 예측에 매우 효과적임을 확인했다.